论文题目： Rotation Invariant Convolutions for 3D Point Clouds Deep Learning. 3DV 2019 【tensorflow】
论文特点： 解决点云旋转问题
方法： 点云受旋转影响主要有两个：输入特征和提取局部特征的过程
1）特征改为旋转不变的特征：两条边长，两个角度
2）旋转不变的卷积，类似shellnet，按中心点和重心连线方向划分邻域点，先MLP再块内max pool，接着1D卷积
结构：
- 分类：1024-（1024）-256-128-64，邻域点数：64,32,16，划分bin数：4,2,1（每个16个点，同shellnet）
- 分割：2048-512-128-32
数据集：ModelNet40, shapenet
ModelNet40：
shapenet：
可以看到确实是旋转鲁棒的了，但是效果还有很大的提升空间
消融实验：
最开始增加一个不下采样的层对效果提升有限（第一行的3和4）
他最下面一行得到64x512的特征而不是1x512的特征对结果也有提升
未来能改进的地方：
1）手工设计的特征，用学习的方式或者其他方法
2）只考虑了旋转不变的特征而没考虑原始坐标，在另外一篇文章中实现了。
借鉴：
1）构建旋转不变的特征和卷积方式
2）最终是得到多个特征而不是一个全局特征